PENERAPAN JARINGAN SYARAF TIRUAN DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI DI RIAU DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ ) 2.1

  • Yola yusman Universitas Lancang Kuning
  • Elvira asril Universitas Lancang Kuning
  • Ahmad zamsuri Universitas Lancang Kuning
Keywords: Jaringan Syaraf Tiruan, Polusi Air, Parameter, Akurasi, Perhitungan

Abstract

Teknologi pada saat ini sudah berkembang sangat pesat tidak hanya sebagai penerapan dari sebuah  ilmu pengetahuan secara praktis mengenai hal- hal teknis,namun sudah berkembang sebagai pondasi ilmu pengetahuan secara luas,Hal ini ditunjukkan dengan banyaknya ilmu yang didasari oleh teknologi .Salah satu contoh yaitu Penerapan Jaringan Syaraf Tiruan Dalam Pengklasifikasian Tingkat Pencemaran Air Sungai Dengan metode Learning Vector Quantozation (LVQ) 2.1.Jaringan syaraf tiruan (JST) adalah salah satu bagian dari artificial intelegence. JST merupakan pengetahuan yang menirukan kinerja sel-sel syaraf manusia atau disebut syaraf biologis yang ada pada otak manusia. LVQ merupakan tahap pembelajaran pada lapisan kompetitif yang secara otomatis belajar untuk mengklasifikasikan vektor-vektor masukan. Sungai – sungai yang dikelola adalah sungai Induk di provinsi Riau dengan Parameter yang diinputkan  ada sebanyak 12 sampel air.Keluaran dari sistem Kualitas Air ini berdasarkan kriteria klasifikasi pencemaran air yaitu: kelas baik sekali (memenuhi baku mutu), kelas baik (tercemar ringan), kelas sedang (tercemar sedang), dan kelas buruk (tercemar berat). Parameter yang digunakan pada proses pengujian yaitu learning rate 0.015, 0.025, 0.035, 0.045, 0.05, 0.060, 0.075, 0.085, 0.090, 0.1, pengurangan learning rate 0.005, minimal learning rate 0.01 dan window 0, 0.2, 0.4 dengan perbandingan data latih 90:10 menghasilkan akurasi 90% dan 80:20 menghasilkan akurasi 90%. Sehingga rata-rata akurasi pada proses pengujian adalah 90 %.Berdasarkan hasil pengujian,nilai window = 0.4 lebih baik dari pada nilai window = 0.2 dan window = 0. Ini membuktikan bahwa hasil perhitungan LVQ 2.1 juga sangat dipengaruhi oleh nilai window yang digunakan.

 

Abstract

Technology on now develops very rapidly not only as the application of a science in practice on hal-, technical issues but has grown widely as the science, this is apparent from many of which are based on the technology. One example of that is the application of artificial neural network pengklasifikasian water pollution in the river by the learning vector quantozation ( lvq 2.1.jaringan ) artificial neural ( jst ) is one part of an artifical intelegence.Jst knowledge sel-sel performance is similar to a human or biological called neurons in the human brain.In the learning stage lvq is competitive automatically learn to classify vektor-vektor. Input The run is the parent In the province of riau with parameters diinputkan there were as many as 12 water sample . Output of a system is based on the quality of water the water pollution classification criteria: Class good ), ( meet quality standards class good ( ), light polluted class and (, ) was tainted and the bad (. ) badly pollutedParameters used in the process of testing Learning, 0.015 rate 0.025, 0.035, 0.045, 0.05, 0.06, 0.075, 0.085, 0.090, 0.10, learning, 0.005 rate reduction at least learning rate 0, 0.01 and window 0.2, with comparative data training 0.4: 90 10 Producing 80 and 90 accuracy %: %. 20 produce 90 accuracySo rata-rata accuracy in the process of testing is 90 % .berdasarkan, testing results The window = 0.4 better than in the window = = 0. 0.2 and windowThis proves that the results of lvq 2.1 is highly influenced by the window used.

 

Downloads

Download data is not yet available.

References

Suri, Gustina. 2016. “Diagnosa Penyakit Cerebrovascular Diasea (CVD) atau Stroke Menggunakan Metode Learning Vector Quantization 2.1 Berdasarkan Nilai Ketidak Pastian Sistem Pakar”. Jurusan Teknik Informatika UIN Suska Riau.

Agustina, Susanti. 2016. “Metode Learning Vector Quantization 2.1 Untuk Klasifikasi Tingkat Keparahan Penyakit Infeksi Saluran Pernapasan Akut”. Jurusan Teknik Informatika UIN Suska Riau.

Hamidi, Ridwan, dkk. 2017. “Implementasi Learning Vector Quantization (LVQ) Untuk Klasifikasi Kualitas Air Sungai”. Universitas Brawijaya.

Kusumadewi, Sri, , Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Graha Ilmu. 2004

Hermawan, 2006, JST mampu mengenali kegiatan dengan berbasis masa lalu.

Keputusan Menteri Lingkungan Hidup nomor : 115/MenLH/2003 tahun 2003, tentang indeks pencemaran air.

Keputusan Menteri Lingkungan Hidup nomor : 1405/Menkes/SK/XI/2002 tahun 2002, tentang Persyaratan kesehatan lingkungan kerja perkantoran dan industri.

Kusumoputro, 2001, Menjelaskan tentang elemen neourun.

Muzamil, 2010, Menjelaskan Tentang Air Sungai.

Nugroho, 2011, Menjelaskan perhitungan menggunakan jaringan syaraf tiruan LVQ2.

Peraturan Mentri Kesehatan Republik Indonesia Nomor : 416/Menkes/Per/IX/1990, Tentang pengawasan dan syarat – syarat kualitas air yang disbut sebagai air minum.

Puspitaningrum, D, 2006, Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi.

Rahimi, M. R. 2016. “Penerapan Algoritma Learning Vector Quantization Dalam Pengklasifikasian Tingkat Pencemaran Air Sungai”. Jurusan Teknik Informatika STIMIK AMIKOM. Yogyakarta.

Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Penerbit Andi : Yogyakarta.

Suhendri, Yogi. 2017. “Jaringan Syaraf Tiruan Untuk Diagnosa Gejala Awal Gangguan Retradasi Mental Menggunakan LVQ 2.1”. Jurusan Teknik Informatika UIN Suska Riau.

Sulistyorini, Ari. 2009. BSE Biologi untuk SMA kelas X.Jakarta: Depdiknas.

Wuryandri, 2012 Menjelaskan soma atau badan sel perhitungan ||X-W|| dan yang bertindak sebagai akson atau keluaran adalah Y.

Yustisia, Difla, 2010, “Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Aplikasi Pengenalan Tannda Tangan (LVQ) 2.1”. Jurusan Teknik Informatika Universitas Islam Indonesia.

Published
2020-12-04
How to Cite
yusman, Y., asril, E., & zamsuri , A. (2020). PENERAPAN JARINGAN SYARAF TIRUAN DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI DI RIAU DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ ) 2.1 . SEMASTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer, 1(1), 13-27. https://doi.org/10.31849/semaster.v1i1.5488
Abstract viewed = 248 times
PDF downloaded = 128 times

Most read articles by the same author(s)

1 2 > >>